A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions

돈의 디지털 세계를 모든 사람, 은행 계좌, 신용카드가 하나의 건물이고, 누군가 돈을 보내거나 받을 때마다 그들을 연결하는 새로운 도로가 건설되는 거대하고 북적이는 도시라고 상상해 보십시오. 이 도시에서 대부분의 사람들은 일상적인 업무를 수행하는 정직한 시민들이지만, 소수의 교활하고 은밀한 사기꾼 무리가 은행에서 돈을 훔치려 하고 있습니다. 오랫동안 보안 요원(기존의 컴퓨터 프로그램)들은 개별 건물을 조사하거나 특정 도로가 수상해 보이는지를 확인하여 이 도둑들을 잡으려 노력했습니다. 하지만 도둑들은 똑똑해졌습니다. 그들은 팀 단위로 움직이기 시작했고, 단순한 경비원이 볼 수 없는 복잡한 네트워크와 숨겨진 지름길을 이용했습니다. 바로 여기서 "그래프 신경망(Graph Neural Networks)"이라는 새로운 종류의 과학이 등장합니다. 이들은 한 번에 하나의 건물만을 보는 대신, 도시 전체의 지도를 한꺼번에 바라보며 건물들이 어떻게 연결되어 있는지를 이해합니다. 이들은 단순히 어떤 건물이 이상해 보여서가 아니라, 그 건물이 이상한 동네에 있거나 정직한 사람이라면 절대 가지 않을 기이한 경로를 택하고 있다는 점을 포착하여 도둑을 찾아냅니다. 과학자들이 던지는 핵심적인 질문은 이것입니다: 어떻게 하면 수백만 건의 거래를 초당 처리할 수 있을 만큼 빠르고, 도시 전체를 볼 수 있을 만큼 스마트하며, 정직한 사람들을 방해하지 않으면서도 가장 영리한 도둑들을 잡아낼 수 있을 만큼 날카로운 보안 시스템을 구축할 것인가?

이것이 바로 모하메드 아민 헤치미(Mohamed Amine Hechmi)의 논문, "금융 거래 사기 탐지를 위한 하이브리드 그래프 신경망 접근 방식(A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions)"이 해결하고자 하는 문제입니다. 저자는 HybridWaveletGNN이라 불리는 새로운 초강력 보안 시스템을 제안합니다. 이 시스템을 여러 가지 초능력을 하나로 결합한 탐정 팀이라고 생각해 보십시오. 첫째, 그들에게는 당신의 즉각적인 친구들이 누구인지 확인하는 "이웃 감시단(Graph Convolutional Networks)"이 있습니다. 둘째, 그들에게는 "스마트한 스포트라이트(Graph Attention Networks)"가 있어, "이봐, 이 특정 친구가 수상하게 행동하고 있어, 주목해!"라고 확대하여 말할 수 있습니다. 이 논문의 이론적 설계는 도시 전체의 연결성을 보기 위해 "원거리 망원경(Graph Transformers)"을 추가하는 것을 제안하지만, 이 연구의 구체적인 실험은 강력한 하이브리드 모델을 만들기 위해 이웃 감시단과 스마트 스포트라이트를 결ما 결합하는 데 집중했습니다.

하지만 정말 멋진 부분은 이것입니다. 팀은 또한 **그래프 웨이브렛(Graph Wavelets)**이라는 특별한 도구를 추가합니다. 도시에 안개 층이 있다고 상상해 보십시오. 사기꾼들은 짙은 안개 속에 숨어 있고 정직한 사람들은 맑은 공기 속에 있습니다. 일반 카메라는 안개 때문에 혼란을 겪을 수 있지만, 웨이브렛 도구는 특수 렌즈와 같아서 넓은 각도로 도시를 바라보는 동시에 좁게 확대하여 층층이 안개를 벗겨낼 수 있습니다. 이는 시스템이 아주 작고 고립된 속임수와 거대하고 조직적인 범죄 집단을 모두 포착하는 데 도움을 줍니다.

연구진은 이 새로운 탐정 팀을 6,362,620건 이상의 거래가 포함된 모바일 머니 거래 시뮬레이션인 PaySim으로 테스트했습니다. 이 시뮬레이션에서는 대다수의 거래가 정직하며, 오직 아주 적은 수만이 사기 거래이기에 매우 까다로운 테스트입니다. 연구진은 NVIDIA Tesla T4 GPU를 탑한 컴퓨터를 사용하여 모델을 구축했으며, 50번의 훈련 단계(에포크) 동안 실행했습니다. 그들은 자신들의 새로운 HybridWaveletGNN을 표준적인 "이웃 감시" 모델(기본적인 Graph Attention Network)과 비교했습니다.

결과는 이 새로운 하이브리드 팀이 훨씬 더 뛰어난 능력을 갖추고 있음을 시사합니다. 시뮬레이션에서 표준 모델은 약 **75.83%**의 사기를 잡아냈으며(재현율, Recall), 정밀도(Precision)는 0.8793, F1-스코어는 0.8143을 기록했습니다. 그러나 새로운 HybridWaveletGNN 모델은 이 수치들을 개선하여, **81.81%**의 사기를 잡아냈고 정밀도는 0.9189, F1-스코어는 0.8656에 달했습니다. 또한 "곡선 아래 면적(AUC)" 점수에서도 표준 모델의 0.9526에 비해 0.9656이라는 더 높은 점수를 달성했습니다. 이 논문은 서로 다른 방식의 데이터 관점을 결려함으로써, 새로운 모델이 오보를 낮게 유지하면서도 나쁜 놈들을 더 잘 잡아낸다는 것을 보여줍니다.

저자는 또한 시스템을 "스트리밍" 방식으로 설계했는데, 이는 시스템이 실시간으로 학습할 수 있음을 의미합니다. 새로운 거래가 발생함에 따라 모델은 처음부터 다시 시작할 필요 없이 즉각적으로 메모리를 업데이트하며, 이는 속도가 중요한 실제 은행 업무에서 매우 중요합니다. 또한 그들은 "전역 신뢰도(Global Confidence Degree)" 체크를 추가했는데, 이는 직관과 같습니다. 만약 어떤 거래가 도시의 일반적인 행동 패턴과 너무 다르다면, 시스템은 그 거래가 단독으로는 수상해 보이지 않더라도 이를 경고합니다.

이 시뮬레이션 결과는 유망하지만, 논문은 이것이 완성된 제품이 아니라 실제 세계를 향한 한 단계임을 명시하고 있습니다. 저자는 향-후 연구로서 거래의 정확한 타이밍(시간적 역학)을 이해하거나, 왜 시스템이 특정 거래를 경고했는지 설명하여 은행이 시스템을 더 신뢰할 수 있도록 하는 등의 더 많은 층을 추가할 수 있다고 제안합니다. 현재로서는, 이 논문은 다양한 유형의 그래프 지능을 특수 웨이브렛 도구와 결합하는 것이 변화하는 사기꾼들의 수법으로부터 우리의 디지털 자산을 보호하는 더 견고하고 정확한 방법임을 입증하고 있습니다.